LangChain系列文章目录

提示：LangChain系列文章的所有文章的目录，请查看我的文章目录。

第一章 LangChain 简介与核心包

文章目录

前言

本文主要整理 LangChain 提示词工程相关内容，包括 PromptTemplate、ChatPromptTemplate、MessagesPlaceholder、提示词拼接、Few-shot Prompt Template、示例选择器等知识点，并配合代码示例和运行结果进行说明。

LangChain提示词工程

一、Prompt templates（提示词模板）

1.prompt（提示词）

  • 大语言模型以文本作为输入：输入的文本通常被称为提示词(prompt)。
  • 在开发过程中，对于提示词通常不能直接硬编码（也就是直接写），不利于提示词管理，而是通过提示词模板进行维护，类似短信模板、邮件模板等。

2.提示词模板

  • 提示词模板类似与邮件模板、短信模板等，就是一个字符串模板。
  • 提示词模板包含一组模板参数，通过模板参数值替换模板对应的参数。

3.提示词模板组成：

  • 发给大语言模型（LLM）的指令。
  • 一组问答示例，以提醒AI以什么格式返回请求。
  • 发给大语言模型的问题。

二、提示词模板操作

1.版本导入方式

  • LangChain 0.1.0 及以上版本（当前主流）：
from langchain_core.prompts import PromptTemplate
from langchain_core.prompts import ChatPromptTemplate
  • LangChain 0.0.x 旧版本，只能用
from langchain.prompts import PromptTemplate
from langchain.prompts import ChatPromptTemplate

2.提示词模板(prompt template)

  • 一般的LLM模型以一段内容为输入。
  • 使用PromptTemplate类创建简单的提示词。
  • 提示词模板可以内嵌任意数量的模板参数，然后通过参数值格式化模板内容。
  • 创建提示词模板示例
    • 使用PromptTemplate.from_template()方法创建提示词模板对象
      • 或者直接使用PromptTemplate()对象创建提示词模板
      • 使用from_template()方法，不能有input_variables参数
    • template参数用于定义模板字符串，其中模板内使用{}创建模板变量
    • input_variables参数，指定对应的输入参数。
    • 没有format_messages()方法。
    • 提示词模板对象使用format()将变量输入，并返回字符串
      • 使用format()方法后，返回字符串，不能用在链条上！
        使用PromptTemplate.from_template()代码：
from langchain_core.prompts import PromptTemplate

# 定义一个提示模板，包含adjective和content两个模板变量
prompt_template = PromptTemplate.from_template(
    template="给我讲一个关于{content}的{adjective}笑话。"
)
print(prompt_template)            # prompt_template是个对象

# 通过模板参数格式化提示模板
result = prompt_template.format(adjective="冷", content="猴子")
print(result)

#############链中使用提示词模板对象#############
# chain = prompt_template | llm | StrOutputParser()
# result = chain.invoke({"adjective": "冷","content": "猴子"})

使用PromptTemplate()代码：

from langchain_core.prompts import PromptTemplate

prompt_template = PromptTemplate(
    template="给我讲一个关于{content}的{adjective}笑话。",
    input_variables=["adjective", "content"]
)
print(prompt_template) 

result = prompt_template.format(adjective="冷", content="猴子")
print(result)

结果：

input_variables=['adjective', 'content'] input_types={} partial_variables={} template='给我讲一个关于{content}的{adjective}笑话。'

给我讲一个关于猴子的冷笑话。
  • 对提示词模板的部分参数填充，生成新的提示词模板
    • 使用partial()方法，填充提示模板中的某些变量，剩下变量可继续使用
    • 使用partial()方法后，会返回一个新的PromptTemplate提示词模板对象
    • partial()参数就是需要填充的提示词模板的变量名
    • partial()参数值可以是字符串，也可以是一个方法
      代码：
from langchain_core.prompts import PromptTemplate

# 定义一个提示模板，包含adjective和content两个模板变量
prompt_template = PromptTemplate.from_template(
    template="给我讲一个关于{content}的{adjective}笑话。"
)

# 修改提示模板 生成新的题词模板
prompt_template2 = prompt_template.partial(content="鹦鹉")
print(prompt_template) 
print(prompt_template2)
result = prompt_template2.format(adjective="冷")
print(result)

结果：

input_variables=['adjective', 'content'] input_types={} partial_variables={} template='给我讲一个关于{content}的{adjective}笑话。'

input_variables=['adjective'] input_types={} partial_variables={'content': '鹦鹉'} template='给我讲一个关于{content}的{adjective}笑话。'

给我讲一个关于鹦鹉的冷笑话。

参数值为函数：

from datetime import datetime
from langchain_core.prompts import PromptTemplate

def get_date():
    now = datetime.now()
    return now.strftime("%Y-%m-%d %H:%M:%S")

prompt = PromptTemplate(
    input_variables=["date", "question"],
    template="如果今天的日期是{date}，请问今天是{question}?",
)
partial_prompt = prompt.partial(date=get_date())
print(partial_prompt.format(question="星期几"))

结果：

如果今天的日期是2025-06-20 16:07:29，请问今天是星期几?

3.聊天消息提示词模板(chat prompt template)

  • 聊天模型（Chat Model）以聊天消息列表作为输入，聊天消息列表也可以通过提示词模板进行管理。
  • 聊天消息与原始字符串不同，因为每个消息都与“角色(role)”相关联。
    • 对于系统（system）消息。在一次对话中，部分模型允许多个system消息出现。但部分模型只允许一个system消息出现，如Qwen3.5模型。
  • 例如，Openai聊天模型，为聊天消息定义了三种角色类型：系统（system）、人类（human）、助手(assistant) 、工具（tool）：
    • 系统（system）消息： 描述AI身份或背景内容。
    • 人类（user）消息： 是指用户发给AI的内容。
    • 助手（ai）消息： 是指AI回答用户的内容。
    • 工具（tool）消息： 是指调用工具后返回的内容。
  • 创建聊天消息模板示例1（最简单）
    • 使用ChatPromptTemplate.from_messages()方法创建提示词模板对象
      • 或者直接使用ChatPromptTemplate()对象创建提示词模板对象
    • messages参数为聊天消息模板列表。列表的每一个元素代表一条消息，消息以元祖格式定义。每个元组有两个元素，第一个元素代表消息角色，第二个元素代表消息内容。
    • 消息角色：system代表系统消息、human代表人类消息，ai代表LLM返回消息
    • 消息内容：可以使用{}定义模板参数
    • 返回提示词模板对象后，使用format_messages()将提示词模板转为消息对象组成的列表。
      • 参数必须是提示词模板的全部变量
      • 返回提示词模板对象后，可以使用invoke()代替。但一般不建议。
    • 返回提示词模板对象后，使用format()将提示词模板转为字符串。
      • 参数必须是提示词模板的全部变量
        代码：
from langchain_core.prompts import ChatPromptTemplate

# 消息定义了2个模板参数name和user_input
# 或者chat_template = ChatPromptTemplate()
chat_template = ChatPromptTemplate.from_messages(
    messages=[
        ("system", "你是一位人工智能助手，你的名字是{name}。"),
        ("human", "你好"),
        ("ai", "我很好，谢！"),
        ("human", "{user_input}"),
    ]
)
print(chat_template)             # chat_template是一个对象

# 通过模板参数格式化模板内容
messages = chat_template.format_messages(name="Bob", user_input="你名字叫什么？")
print(messages)
print(chat_template.format(name="Bob", user_input="你名字叫什么？"))

#############链中使用提示词模板对象#############
# chain = chat_template | llm | StrOutputParser()
# result = chain.invoke({"name": "Ken"," user_input": "如何称呼你？"})

结果：

input_variables=['name', 'user_input'] input_types={} partial_variables={} messages=[
SystemMessagePromptTemplate(prompt=PromptTemplate(input_variables=['name'], input_types={}, partial_variables={}, template='你是一位人工智能助手 ，你的名字是{name}。'), additional_kwargs={}), 

HumanMessagePromptTemplate(prompt=PromptTemplate(input_variables=[], input_types={}, partial_variables={}, template='你好'), additional_kwargs={}), 

AIMessagePromptTemplate(prompt=PromptTemplate(input_variables=[], input_types={}, partial_variables={}, template='我很好，谢！'), additional_kwargs={}), 

HumanMessagePromptTemplate(prompt=PromptTemplate(input_variables=['user_input'], input_types={}, partial_variables={}, template='{user_input}'), additional_kwargs={})
]

[
    SystemMessage(
        content="你是一位人工智能助手，你的名字是Bob。",
        additional_kwargs={},
        response_metadata={},
    ),
    HumanMessage(content="你好", additional_kwargs={}, response_metadata={}),
    AIMessage(content="我很好，谢！", additional_kwargs={}, response_metadata={}),
    HumanMessage(
        content="你名字叫什么？", 
        additional_kwargs={}, 
        response_metadata={}
    ),
]

System: 你是一位人工智能助手，你的名字是Bob。
Human: 你好
AI: 我很好，谢谢！
Human: 你的名字叫什么？
  • 创建聊天消息模板示例2
    • 使用ChatPromptTemplate.from_messages()方法创建提示词模板对象
    • 使用SystemMessage(content)方法，增加系统对话内容
    • 使用HumanMessage(content)方法，增加人类对话内容
    • 使用AIMessage(content)方法，增加AI增对话内容
      • content参数：消息的文本内容。内容不能加变量。
      • additional_kwargs参数：附加元数据，可选。
      • response_metadata参数：响应时填充的元数据，可选。
      • id消息的唯一标识符（通常由系统自动生成），可选。
    • 返回提示词模板对象后，使用format_messages()方法，返回列表。
      • 方法不能加入参数
    • 返回提示词模板对象后，使用format()方法，返回字符串。
      • 方法不能加入参数
        代码：
from langchain_core.messages import SystemMessage, AIMessage, HumanMessage
from langchain_core.prompts import ChatPromptTemplate

chat_template = ChatPromptTemplate.from_messages(
    messages=[
        SystemMessage(content=("你是一个乐于助人的助手，喜欢讲笑话。"),
            additional_kwargs={},
            response_metadata={}
        ),
        HumanMessage(content=("你好，我叫steven")),
        AIMessage(content=("你好，steven！很高兴认识你。")),
    ]
)

messages = chat_template.format_messages()
print(messages)
print(chat_template.format())

结果：

[
    SystemMessage(
        content="你是一个乐于助人的助手，喜欢讲笑话。",
        additional_kwargs={},
        response_metadata={},
    ),
    HumanMessage(
        content="你好，我叫steven", additional_kwargs={}, response_metadata={}
    ),
    AIMessage(
        content="你好，steven！很高 兴认识你。",
        additional_kwargs={},
        response_metadata={},
    ),
]

System: 你是一个乐于助人的助手，喜欢讲笑话。
Human: 你好，我叫steven
AI: 你好，steven！很高兴认识你。
  • 创建聊天消息模板示例3
    • 使用ChatPromptTemplate.from_messages()方法创建提示词模板对象
    • 使用SystemMessagePromptTemplate模板对象的from_template()方法，增加系统消息模板
    • 使用HumanMessagePromptTemplate模板对象的from_template()方法，增加人类消息模板
    • 使用AIMessagePromptTemplate模板对象的from_template()方法，增加AI消息模板
      • template参数用于定义模板字符串，其中模板内使用{}创建模板变量
        代码：
from langchain_core.prompts import (
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
    AIMessagePromptTemplate,
)
from langchain_core.prompts import ChatPromptTemplate

chat_template = ChatPromptTemplate.from_messages(
    messages=[
        SystemMessagePromptTemplate.from_template(template="你最喜欢{systext}"),
        HumanMessagePromptTemplate.from_template(template="{hmtext}"),
        AIMessagePromptTemplate.from_template(template="{aitext}"),
        HumanMessagePromptTemplate.from_template(template="{hmtext2}"),
    ]
)

# 使用模板参数格式化模板
messages = chat_template.format_messages(
    systext="讲笑话",
    hmtext="我今天心情不太好",
    aitext="我给你讲个关于游泳的笑话。",
    hmtext2="好啊",
)
print(messages)
message_str = chat_template.format(
    systext="讲笑话",
    hmtext="我今天心情不太好",
    aitext="我给你讲个关于游泳的笑话。",
    hmtext2="好啊",
)
print(message_str)

结果：

[
    SystemMessage(
        content="你最喜欢讲笑话", 
        additional_kwargs={}, 
        response_metadata={}
    ),
    HumanMessage(
        content="我今天心情不太好", additional_kwargs={}, response_metadata={}
    ),
    AIMessage(
        content="我给你讲个关于游泳的笑话。", 
        additional_kwargs={}, 
        response_metadata={}
    ),
    HumanMessage(
        content="好啊", additional_kwargs={}, response_metadata={}
    ),
]

System: 你最喜欢讲笑话
Human: 我今天心情不太好
AI: 我给你讲个关于游泳的笑话。
Human: 好啊

SystemMessage…与SystemMessagePromptTemplate…可以混合使用：

chat_template = ChatPromptTemplate.from_messages(
    messages=[
        SystemMessage(content=("你是一个乐于助人的助手，喜欢讲笑话。"),
            additional_kwargs={},
            response_metadata={}
        ),
        HumanMessagePromptTemplate.from_template(template="{hmtext}"),
        AIMessage(content=("你好，steven！很高兴认识你。")),
        HumanMessagePromptTemplate.from_template(template="{hmtext2}"),
    ]
)
# 使用模板参数格式化模板
messages = chat_template.format_messages(
    hmtext="我今天心情不太好",
    hmtext2="你讲个关于游泳的笑话。",
)
  • 创建聊天消息模板示例4
    • 使用ChatPromptTemplate.from_template()创建消息模板
      • 参数template为聊天字符串。
      • 默认字符串前缀system:为系统消息，human:为人类消息，ai:为AI消息
    • 返回提示词模板后使用format_messages()，将提示词模板转为列表。
      • 参数必须是提示词模板的全部变量
    • 返回提示词模板后使用format()，将提示词模板转为字符串。
      • 参数必须是提示词模板的全部变量
        代码：
from langchain_core.prompts import ChatPromptTemplate

chat_template2 = ChatPromptTemplate.from_template(
    template="system:你是一位人工智能助手，你的名字是{name}。\n human:你好。\n ai:我很好，谢！human:{user_input}"
)

messages = chat_template2.format_messages(name="Bob", user_input="你名字叫什么？")
print(chat_template2)
print(messages)
print(chat_template2.format(name="Bob", user_input="你名字叫什么？"))

结果：

input_variables=['name', 'user_input'] input_types={} partial_variables={} messages=[HumanMessagePromptTemplate(prompt=PromptTemplate(input_variables=['name', 'user_input'], input_types={}, partial_variables={}, template='system:你是一位人工智能助手，你的名字是{name}。\n human:你好。\nai:我很好，谢！human:{user_input}'), additional_kwargs={})]

[
    HumanMessage(
        content='system:你是一位人工智能助手，你的名字是Bob。\n human:你好。\n ai:我很好，谢！human:你名字叫什么？', 
        additional_kwargs={}, 
        response_metadata={}
    )
]

Human: system:你是一位人工智能助手，你的名字是Bob。
 human:你好。
ai:我很好，谢！human:你名字叫什么？
  • ChatPromptTemplate.from_template和ChatPromptTemplate.from_messages区别
    • 关键对比
from_template from_messages
输入 一条纯字符串模板 一个消息列表（每条消息各自可以是模板）
角色 依赖字符串前缀（如 system:、user:） 通过列表指定角色（Human/System/AI/Tool/…）
适用场景 单轮对话，消息结构固定 多轮对话、需要动态插入消息（如历史记录）、复杂角色组合的场景 
- from_template输入是一条简单的单轮对话提示，如果需要增加角色和历史对话内容，只是在这条对话内容中自定义如system，user，ai等对话。不是真正意义上的多轮对话历史。
- from_messages输入是多轮对话、动态插入历史消息，复杂角色（如函数调用、消息占位符）。是真正意义上的多轮对话历史。
  • 创建聊天消息模板示例5
    • 使用ChatMessagePromptTemplate.from_template()方法，创建指定角色的消息模板
      • role参数用于指定角色
      • template参数用于定义模板字符串，其中模板内使用{}创建模板变量
    • 最后，使用ChatPromptTemplate.from_messages()方法按照顺序组合所有的消息模板
      代码：
from langchain_core.prompts import ChatPromptTemplate, ChatMessagePromptTemplate

# 创建多个ChatMessagePromptTemplate
system_message = ChatMessagePromptTemplate.from_template(
    role="system", template="你是一个有帮助的AI助手，专门回答关于{topic}的问题。"
)
user_message1 = ChatMessagePromptTemplate.from_template(
    role="user", template="你好，我想了解一下{city}的情况。"
)
assistant_message = ChatMessagePromptTemplate.from_template(
    role="assistant",
    template="你好！我乐意为你提供关于{city}的信息。请问想了解什么方面？",
)
user_message2 = ChatMessagePromptTemplate.from_template(
    role="user", template="我想知道{city}的天气怎么样？"
)

# 将多个消息模板组合成一个ChatPromptTemplate
chat_prompt = ChatPromptTemplate.from_messages(
    [system_message, user_message1, assistant_message, user_message2]
)
print(chat_prompt)

# 使用组合后的模板
formatted_messages = chat_prompt.format_messages(topic="旅游", city="北京")
print(formatted_messages)

#############链中使用提示词模板对象#############
# chain = chat_template | llm | StrOutputParser()
# result = chain.invoke({"topic":"历史","city": "北京"})

结果：

input_variables = ["city", "topic"]
input_types = {}
partial_variables = {}
messages = [
    ChatMessagePromptTemplate(
        prompt=PromptTemplate(
            input_variables=["topic"],
            input_types={},
            partial_variables={},
            template="你是一个有帮助的AI助手，专门回答关于{topic}的问题。",
        ),
        additional_kwargs={},
        role="system",
    ),
    ChatMessagePromptTemplate(
        prompt=PromptTemplate(
            input_variables=["city"],
            input_types={},
            partial_variables={},
            template="你好，我想了解一下{city}的情况。",
        ),
        additional_kwargs={},
        role="user",
    ),
    ChatMessagePromptTemplate(
        prompt=PromptTemplate(
            input_variables=["city"],
            input_types={},
            partial_variables={},
            template="你好！我乐意为你提供关于{city}的信息。请问想了解什么方面？",
        ),
        additional_kwargs={},
        role="assistant",
    ),
    ChatMessagePromptTemplate(
        prompt=PromptTemplate(
            input_variables=["city"],
            input_types={},
            partial_variables={},
            template="我想知道{city}的天气怎么样？",
        ),
        additional_kwargs={},
        role="user",
    ),
]

[
    ChatMessage(
        content="你是一个有帮助的AI助手，专门回答关于旅游的问题。",
        additional_kwargs={},
        response_metadata={},
        role="system",
    ),
    ChatMessage(
        content="你好，我想了解一下北京的情况。",
        additional_kwargs={},
        response_metadata={},
        role="user",
    ),
    ChatMessage(
        content="你好！我乐意为你提供关于北京的信息。请问想了解什么方面？",
        additional_kwargs={},
        response_metadata={},
        role="assistant",
    ),
    ChatMessage(
        content="我想知道北京的天气怎么样？",
        additional_kwargs={},
        response_metadata={},
        role="user",
    ),
]

4.聊天消息消息占位符（MessagesPlaceholder）

  • 使用MessagesPlaceholder()方法，传入一个消息列表，将其插入到特定位置。
    • variable_name参数：占位符的变量名，需要与之后传入的字典键名一致。
    • optional参数：若为True，允许该占位符对应的变量为空（默认False，即必须提供）。
  • 需要使用invoke()方法来输入信息，返回对象使用messages属性来获取信息内容
    代码：
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage

prompt_template = ChatPromptTemplate.from_messages(
    [
        ("system", "You are a helpful assistant"),
        MessagesPlaceholder(variable_name="msgs1"),
        MessagesPlaceholder("msgs2"),
    ]
)

res = prompt_template.invoke(
    {
        "msgs1": [HumanMessage(content="hi!")], 
        "msgs2": [AIMessage(content="hi! nice to meet you")]
    }
)

print(prompt_template)           # prompt_template是一个对象
print(prompt_template.messages)
print(res)                       # res是一个对象

#############链中使用提示词模板对象#############
# chain = prompt_template | llm | StrOutputParser()
# res = chain.invoke({
#     "msgs1": [HumanMessage(content="hi!")],
#     "msgs2": [AIMessage(content="hi! nice to meet you")]
# })

结果：

input_variables=['msgs1', 'msgs2'] input_types={'msgs1': (annotation=NoneType, required=True, 
...
MessagesPlaceholder(variable_name='msgs2')]
=================================================================
[
    SystemMessagePromptTemplate(
        prompt=PromptTemplate(
            input_variables=[],
            input_types={},
            partial_variables={},
            template="You are a helpful assistant",
        ),
        additional_kwargs={},
    ),
    MessagesPlaceholder(variable_name="msgs1"),
    MessagesPlaceholder(variable_name="msgs2"),
]
==================================================================
messages = [
    SystemMessage(
        content="You are a helpful assistant",
        additional_kwargs={},
        response_metadata={},
    ),
    HumanMessage(content="hi!", additional_kwargs={}, response_metadata={}),
    AIMessage(
        content="hi! nice to meet you", additional_kwargs={}, response_metadata={}
    ),
]
  • 另一种实现相同效果的替代方法
    • 消息角色：使用字符串"placeholder"代表占位符
      代码：
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.messages import HumanMessage, AIMessage

prompt_template = ChatPromptTemplate.from_messages([
    ("system", "You are a helpful assistant"),
    ("placeholder", "{msgs1}")
    ("placeholder", "{msgs2}")
])

res = prompt_template.invoke(
    {
        "msgs1": [HumanMessage(content="hi!")], 
        "msgs2": [AIMessage(content="hi! nice to meet you")]
    }
)

print(prompt_template)           # prompt_template是一个对象
print(prompt_template.messages)

5.拼接消息

  • 使用+号拼接消息。可以是问答提示词，也可以是聊天消息
  • 拼接问答提示词
    代码：
from langchain_core.prompts import PromptTemplate
from datetime import datetime

prompt = (
    PromptTemplate.from_template("如果今天的日期是{date}，")
    + "请问今天是"
    + "{question}"
    + "的日子"
)

def get_date():
    now = datetime.now()
    return now.strftime("%Y-%m-%d %H:%M:%S")

res = prompt.format(date=get_date(), question="什么节气")
print(res)

结果：

如果今天的日期是2025-06-20 16:13:50，请问今天是什么节气的日子
  • 拼接聊天消息
    代码：
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.prompts import HumanMessagePromptTemplate
from langchain_core.messages import HumanMessage, AIMessage, SystemMessage

prompt = SystemMessage(content="你是一名架构师")
new_promot = (
    prompt
    + HumanMessage(content="你好")
    + AIMessage(content="有什么可以帮到你")
    + "{input}"
)

res = new_promot.format_messages(input="langchain的架构")
print(res)

结果：

[
    SystemMessage(content="你是一名架构师", additional_kwargs={}, response_metadata={}),
    HumanMessage(content="你好", additional_kwargs={}, response_metadata={}),
    AIMessage(content="有什么可以帮到你", additional_kwargs={}, response_metadata={}),
    HumanMessage(content="langchain的架构", additional_kwargs={}, response_metadata={}),
]

三、小样本示例提示词(Few-shot prompt templates)

1.小样本示例提示词

  • 小样本示例提示词用于问答，而非聊天消息
  • 提示词中可能包含样本，作用是帮助模型更好地理解用户意图，从而更好地回答问题或执行任务。
  • 小样本提示模板是指使用一组少量的示例来指导模型处理新的输入。这些示例可以用来提示模型，以便模型可以更好地理解和回答类似的问题。
  • 小样本示例：
    小样本示例：
Q: 什么是蝙蝠侠？
A: 蝙蝠侠是一个虚构的漫画人物。

Q: 什么是torsalplexity？
A: 未知。

Q: 什么是语言模型？
A:
告诉模型，Q是问题，A是答案，按这种格式进行问答交互。

2.使用示例集

  • 示例集
    • 示例集是一个列表，列表每个元素为一次对话演示的字典。主要由question和answer组成。
      代码：
examples = [
  {
    "question": "谁的寿命更长，穆罕默德·阿里还是艾伦·图灵？",
    "answer":
"""
这里需要跟进问题吗：是的。
跟进：穆罕默德·阿里去世时多大？
中间答案：穆罕默德·阿里去世时74岁。
跟进：艾伦·图灵去世时多大？
中间答案：艾伦·图灵去世时41岁。
所以最终答案是：穆罕默德·阿里
"""
  },
  {
    "question": "craigslist的创始人是什么时候出生的？",
    "answer":
"""
这里需要跟进问题吗：是的。
跟进：craigslist的创始人是谁？
中间答案：craigslist由Craig Newmark创立。
跟进：Craig Newmark是什么时候出生的？
中间答案：Craig Newmark于1952年12月6日出生。
所以最终答案是：1952年12月6日
"""
  },
  {
    "question": "乔治·华盛顿的祖父母中的母亲是谁？",
    "answer":
"""
这里需要跟进问题吗：是的。
跟进：乔治·华盛顿的母亲是谁？
中间答案：乔治·华盛顿的母亲是Mary Ball Washington。
跟进：Mary Ball Washington的父亲是谁？
中间答案：Mary Ball Washington的父亲是Joseph Ball。
所以最终答案是：Joseph Ball
"""
  },
  {
    "question": "《大白鲨》和《皇家赌场》的导演都来自同一个国家吗？",
    "answer":
"""
这里需要跟进问题吗：是的。
跟进：《大白鲨》的导演是谁？
中间答案：《大白鲨》的导演是Steven Spielberg。
跟进：Steven Spielberg来自哪里？
中间答案：美国。
跟进：《皇家赌场》的导演是谁？
中间答案：《皇家赌场》的导演是Martin Campbell。
跟进：Martin Campbell来自哪里？
中间答案：新西兰。
所以最终答案是：不是
"""
  }
]
  • 格式化提示词模板
    • 使用PromptTemplate()，用于定义模板的结构和变量，格式化提示词模板，也就是修改提示词模板内容或格式。
      • template：定义提示模板的文本结构，包含占位变量。示例：“你好请问{aa}在吗？\n我是{bb}”。语法：用{}包裹变量名，如{question}。注意：所有在input_variables中声明的变量都必须在这里出现。
      • input_variables：声明模板中需要填充的变量名列表。示例：[“question”, “answer”] 表示模板需要两个变量。注意：这些变量必须出现在template字符串中。
    • 使用format()插入模板参数的值
      代码：
from langchain_core.prompts.few_shot import FewShotPromptTemplate
from langchain_core.prompts.prompt import PromptTemplate

# 示例集，省略了
examples = [
...
]

example_prompt = PromptTemplate(
    template="问题：{question}\\n{answer}",
    input_variables=["question", "answer"],
)

# 提取examples示例集合的一个示例的内容，res为字符串
res = example_prompt.format(
    question=examples[0]['question'], 
    answer=examples[0]['answer']
)
print(res)

结果：

问题：谁的寿命更长，穆罕默德·阿里还是艾伦·图灵？\n
这里需要跟进问题吗：是的。
跟进：穆罕默德·阿里去世时多大？
中间答案：穆罕默德·阿里去世时74岁。
跟进：艾伦·图灵去世时多大？
中间答案：艾伦·图灵去世时41岁。
所以最终答案是：穆罕默德·阿里
  • 追加内容到格式化提示词模板中
    • 使用FewShotPromptTemplate()方法，插入内容。
      • examples：可供参考的示例集列表
      • example_prompt：模板对象
      • suffix：在提示词模板最后追加内容
      • input_variables用于定义suffix中包含参数
    • 使用format()执行
      代码：
...
prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    suffix="问题：{input}",
    input_variables=["input"]
)
print(prompt.format(input="乔治·华盛顿的父亲是谁？"))

#############链中使用提示词模板对象#############
# chain = prompt | llm | StrOutputParser()
# res = chain.invoke({"input":"乔治·华盛顿的父亲是谁？"})

结果：

问题：谁的寿命更长，穆罕默德·阿里还是艾伦·图灵？\n
这里需要跟进问题吗：是的。
跟进：穆罕默德·阿里去世时多大？
中间答案：穆罕默德·阿里去世时74岁。
跟进：艾伦·图灵去世时多大？
中间答案：艾伦·图灵去世时41岁。
所以最终答案是：穆罕默德·阿里

问题：craigslist的创始人是什么时候出生的？\n
这里需要跟进问题吗：是的。
跟进：craigslist的创始人是谁？
中间答案：craigslist由Craig Newmark创立。
跟进：Craig Newmark是什么时候出生的？
中间答案：Craig Newmark于1952年12月6日出生。
所以最终答案是：1952年12月6日

问题：乔治·华盛顿的祖父母中的母亲是谁？\n
这里需要跟进问题吗：是的。
跟进：乔治·华盛顿的母亲是谁？
中间答案：乔治·华盛顿的母亲是Mary Ball Washington。
跟进：Mary Ball Washington的父亲是谁？
中间答案：Mary Ball Washington的父亲是Joseph Ball。
所以最终答案是：Joseph Ball

问题：《大白鲨》和《皇家赌场》的导演都来自同一个国家吗？\n
这里需要跟进问题吗：是的。
跟进：《大白鲨》的导演是谁？
中间答案：《大白鲨》的导演是Steven Spielberg。
跟进：Steven Spielberg来自哪里？
中间答案：美国。
跟进：《皇家赌场》的导演是谁？
中间答案：《皇家赌场》的导演是Martin Campbell。
跟进：Martin Campbell来自哪里？
中间答案：新西兰。
所以最终答案是：不是

问题：乔治·华盛顿的父亲是谁？
  • 示例选择器
    • 使用SemanticSimilarityExampleSelector()方法，根据与输入的相似性选择小样本示例。
    • 该方法使用embedding模型计算输入和小样本示例之间的相似性，然后使用向量数据库执行相似搜索，获取跟输入相似的示例。
      • examples参数：可供参考的示例集列表
      • embeddings参数：指定嵌入类对象
      • vectorstore_cls参数：指定向量数据库类（不是对象！）
      • k参数：返回的示例数量
    • 返回示例选择器对象
    • 可以使用select_examples()测试，是否会找到相似的示例
      代码：
from langchain_core.example_selectors import SemanticSimilarityExampleSelector
from langchain_community.vectorstores import Chroma
from langchain_huggingface import HuggingFaceEmbeddings

llm_emb = HuggingFaceEmbeddings(
    model_name="D:/python/envs/lc/hfmodel/sentence-transformers/all-MiniLM-L6-v2",
)
examples = [
...
]

example_selector = SemanticSimilarityExampleSelector.from_examples(
    examples=examples,
    embeddings=llm_emb,
    vectorstore_cls=Chroma,
    k=2,
)

# 选择与输入最相似的示例。
question = "乔治·华盛顿的父亲是谁？"
selected_examples = example_selector.select_examples({"question": question})
for example in selected_examples:
    for k, v in example.items():
        print(f"{k}：{v}")
        print("---")
    print("================")

#############链中使用提示词模板对象#############

from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate

llm = ChatOpenAI(
    model="Pro/deepseek-ai/DeepSeek-V3",
    # model="Qwen/Qwen2.5-VL-32B-Instruct",
    openai_api_key="sk-key",
    openai_api_base="https://api.siliconflow.cn/v1",
    temperature=0.7,
    max_tokens=8000,
)

# 生成问答格式字符串
examples_text = "\n\n".join(
    [f"问题：{eg['question']}\n{eg['answer']}" for eg in selected_examples]
)
# 生成提示词模板对象
prompt = PromptTemplate(
    template="""请参考下面示例：
{examples_text}
现在回答：
问题：{input}
""",
    input_variables=["examples_text", "input"]
)
chain = prompt | llm | StrOutputParser()
result = chain.invoke({
    "examples_text": examples_text,
    "input": question
})

结果：

answer：
这里需要跟进问题吗：是的。
跟进：乔治·华盛顿的母亲是谁？
中间答案：乔治·华盛顿的母亲是Mary Ball Washington。
跟进：Mary Ball Washington的父亲是谁？
中间答案：Mary Ball Washington的父亲是Joseph Ball。
所以最终答案是：Joseph Ball
---
question：乔治·华盛顿的祖父母中的母亲是谁？
---
================
answer：
这里需要跟进问题吗：是的。
跟进：穆罕默德·阿里去世时多大？
中间答案：穆罕默德·阿里去世时74岁。
跟进：艾伦·图灵去世时多大？
中间答案：艾伦·图灵去世时41岁。
所以最终答案是：穆罕默德·阿里
---
question：谁的寿命更长，穆罕默德·阿里还是艾伦·图灵？
---
================
  • 将示例选择器提供给FewShotPromptTemplate
    • 无需examples可供参考的示例集列表参数，换成示例选择器对象参数example_selector
      代码：
from langchain_core.prompts.example_selector import SemanticSimilarityExampleSelector
from langchain_community.vectorstores import Chroma
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_core.prompts.few_shot import FewShotPromptTemplate
from langchain_core.prompts.prompt import PromptTemplate
from langchain_openai import OpenAI
from langchain_core.output_parsers import StrOutputParser

llm = OpenAI(
    model="Pro/deepseek-ai/DeepSeek-V3",
    openai_api_key="sk-key",
    openai_api_base="https://api.siliconflow.cn/v1",
    temperature=0.7,
    max_tokens=8000,
)

llm_emb = HuggingFaceEmbeddings(
    model_name="D:/python/envs/lc/hfmodel/sentence-transformers/all-MiniLM-L6-v2",
)

examples = [
...
]

# 创建示例选择器对象
example_selector = SemanticSimilarityExampleSelector.from_examples(
    examples=examples,
    embeddings=llm_emb,
    vectorstore_cls=Chroma,
    k=2,
)

# 创建示例提示模板
example_prompt = PromptTemplate(
    input_variables=["question", "answer"],
    template="问题: {question}\n答案: {answer}",
)

# 创建Few-Shot提示模板
few_shot_prompt = FewShotPromptTemplate(
    example_selector=example_selector,       # 使用示例选择器
    example_prompt=example_prompt,           # 使用示例提示模板
    prefix="你是一个问答助手。以下是一些示例问答：",
    suffix="问题: {question}\n答案:",
    input_variables=["question"],
)

# 构建链
chain = (
    {"question": lambda x: x}          # 输入映射
    | few_shot_prompt                  # Few-Shot提示模板
    | llm                              # 语言模型
    | StrOutputParser()                # 输出解析器
)

# 运行链
question = "谁更年轻，比尔·盖茨还是史蒂夫·乔布斯？"
response = chain.invoke(question)
print(response)

结果：

这里需要跟进问题吗：是的。
跟进：比尔·盖茨的出生日期是什么时候？
中间答案：比尔·盖茨出生于1955年10月28日。
跟进：史蒂夫·乔布斯的出生日期是什么时候？
中间答案：史蒂夫·乔布斯出生于1955年2月24日。
所以最终答案是：比尔·盖茨

总结

提示：这里对文章进行总结。

本文整理了 LangChain 提示词工程中的常见模板用法，包括普通 PromptTemplate、聊天消息模板 ChatPromptTemplate、消息占位符 MessagesPlaceholder、提示词拼接、小样本提示词 Few-shot Prompt Template 以及示例选择器等内容。实际开发中，建议优先使用模板化方式管理提示词，避免将提示词硬编码在业务代码中，从而提升提示词的可维护性、复用性和工程化能力。

# 开发语言 # python
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

深入理解C/C++混合编程

在一起的，比如，RTP视频传输，live555多媒体播放等都是C++下的，他需要调用JRTPLIB库，再比如，我那邮件发送，我也用C++写的，定义了一个Email对象，包含了。，上面代码的意思是：如果是C++文件（*.cpp）后缀，则使用extern “C”，在C++项目中应用的非常广泛。在工作中，C、C++密不可分，做我们嵌入式方面的，当然更多的是C，但，有时候却少不了C++，而且是C、C++混

avatar AtomGit开源社区

【C++篇】map和set的使用

代码语言：javascriptAI代码解释set的声明如上，T就是set底层关键字(key)的类型。set默认要求T是支持比较大小的，如果不支持或者想按自己的比较方式走，可以传仿函数给第二个模板参数。set底层存储数据的内存是从空间配置器申请的，如果需要可以自己实现内存池，传给第三个参数一般情况下是不需要传后两个参数的set底层是用红黑树实现的，增删查的效率为O(logN),迭代器遍历走的是中序遍

avatar AtomGit开源社区
cover

Resilience4j- 单一组件实战：实现接口的熔断 + 降级基础保护

avatar AtomGit开源社区